[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN110956613B - 基于图像质量的目标检测算法性能归一化评价方法及系统 - Google Patents

基于图像质量的目标检测算法性能归一化评价方法及系统 Download PDF

Info

Publication number
CN110956613B
CN110956613B CN201911081200.3A CN201911081200A CN110956613B CN 110956613 B CN110956613 B CN 110956613B CN 201911081200 A CN201911081200 A CN 201911081200A CN 110956613 B CN110956613 B CN 110956613B
Authority
CN
China
Prior art keywords
test set
grade
processing
normalization
noise
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911081200.3A
Other languages
English (en)
Other versions
CN110956613A (zh
Inventor
吕春
鲍捷
罗庚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CHENGDU FOURIER ELECTRONIC TECHNOLOGY CO LTD
Shenzhen SDG Information Co Ltd
Original Assignee
CHENGDU FOURIER ELECTRONIC TECHNOLOGY CO LTD
Shenzhen SDG Information Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by CHENGDU FOURIER ELECTRONIC TECHNOLOGY CO LTD, Shenzhen SDG Information Co Ltd filed Critical CHENGDU FOURIER ELECTRONIC TECHNOLOGY CO LTD
Priority to CN201911081200.3A priority Critical patent/CN110956613B/zh
Publication of CN110956613A publication Critical patent/CN110956613A/zh
Application granted granted Critical
Publication of CN110956613B publication Critical patent/CN110956613B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

基于图像质量的目标检测算法性能归一化评价方法和系统，方法包括：对测试集进行不同强度的加噪和/或平滑处理；根据图像质量评价指标获得测试集每张图像的距离指标；根据距离指标将测试集划分多个质量等级的数据集；利用数据集分别对待测算法进行测试，得到不同等级的预测标签；根据数据集对应的预测标签和真实标签，分别进行mAP评分计算；通过归一化处理，将不同等级对应的mAP评分进行加权处理获得总评分。通过对测试集的处理、距离指标获取、数据集等级划分、归一化处理等，实现对待测算法在图像质量上的总体评分，且此评分能够更加客观、全面的反应算法在面临噪声情况时的表现，便于对待测算法进行更全面的比较。

Description

基于图像质量的目标检测算法性能归一化评价方法及系统
技术领域
本发明涉及图像处理与目标检测技术，尤其与一种基于图像质量的目标检测算法性能归一化评价方法及系统相关。
背景技术
目标检测模型本源上可以用统计推断的框架描述，通常关注其犯第一类错误和第二类错误的概率，通常用准确率和召回率来描述。其中，准确率描述了模型有多准，即在预测为正例的结果中，有多少是真正例；召回率则描述了模型有多全，即在为真的样本中，有多少被我们的模型预测为正例。不同的任务，对两类错误有不同的偏好，常常在某一类错误不多于一定阈值的情况下，努力减少另一类错误。在检测中，mAP（mean AveragePrecision）及F-Score作为一个统一的指标将这两种错误兼顾考虑。传统的mAP及F-Score计算方法并没有对测试集做任何限定，从而影响了评价的准确性，不能更加客观全面的对不同检测算法进行比较，有必要进行改进。
发明内容
本发明主要针对相关现有技术的不足，提供一种基于图像质量的目标检测算法性能归一化评价方法及系统，通过对测试集的处理、距离指标获取、数据集等级划分、归一化处理等，实现对待测算法在图像质量上的总体评分，且此评分能够更加客观、全面的反应算法在面临噪声情况时的表现，便于对待测算法进行更全面的比较。
为了实现上述目的，本发明采用以下技术：
基于图像质量的目标检测算法性能归一化评价方法，其特征在于，包括步骤：
对测试集进行不同强度的加噪处理；
根据图像质量评价指标获得测试集每张图像的距离指标；
根据距离指标将测试集划分多个质量等级的数据集；
利用数据集分别对待测算法进行测试，得到不同等级的预测标签；
根据数据集对应的预测标签和真实标签，分别进行mAP评分计算；
通过归一化处理，将不同等级对应的mAP评分进行加权处理获得总评分。
进一步，所述对测试集进行不同强度的加噪和/或平滑处理，包括步骤：
对测试集进行不同强度的加噪处理，其中，加入的噪声包括高斯噪声、椒盐噪声、泊松噪声、斑点噪声中至少一种；和/或，对测试集进行不同强度的平滑处理，其中，平滑处理包括高斯模糊、平均模糊、运动模糊中至少一种；
通过不同程度的加噪和/或平滑处理，使处理后的测试集图片数在原测试集基础上增加至少5倍的数量。
进一步，所述图像质量评价指标为SSIM、MS-SSIM、IW-SSIM、FSIM、MDSI中一种或多种结合。
进一步，所述通过归一化处理，将不同等级对应的mAP评分进行加权处理获得总评分，包括步骤：
对不同等级mAP评分设定不同等级的同程度分；
根据不同等级取得同程度分时分别需要的对应mAP分数，计算各等级对应的权重；
对各等级对应的权重进行归一化处理，获得各等级对应的归一化权重；
利用各等级对应的归一化权重对不同等级对应的mAP评分进行加权处理获得总评分。
更进一步，对不同等级mAP评分设定不同等级的同程度分，具体是：同程度分从质量等级最高的数据集到质量等级最低的数据集，逐级均等降低。
更进一步，总评分计算公式为：，其中，n为＞2整数，n对应不同的等级，mAP与w一一对应，mAP为mAP评分，w为归一化权重。
一种基于图像质量的目标检测算法性能归一化评价系统，其特征在于，包括：
测试集处理模块，用于对测试集进行不同强度的加噪和/或平滑处理；
距离指标生成模块，用于根据图像质量评价指标获得测试集每张图像的距离指标；
分级模块，用于根据距离指标将测试集划分多个质量等级的数据集；
预测标签生成模块，用于利用数据集分别对待测算法进行测试，得到不同等级的预测标签；
mAP 评分模块，用于根据数据集对应的预测标签和真实标签，分别进行mAP评分计算；
归一化模块，用于通过归一化处理，将不同等级对应的mAP评分进行加权处理获得总评分。
进一步，测试集处理模块，包括：
加噪单元，用于对测试集进行不同强度的加噪处理，其中，加入的噪声包括高斯噪声、椒盐噪声、泊松噪声、斑点噪声中至少一种；和/或，
平滑单元，用于对测试集进行不同强度的平滑处理，其中，平滑处理包括高斯模糊、平均模糊、运动模糊中至少一种；
通过不同程度的加噪单元和/或平滑单元的处理，使处理后的测试集图片数在原测试集基础上增加至少5倍的数量。
进一步，归一化模块，包括：
同程度分设定单元，用于对不同等级mAP评分设定不同等级的同程度分；
权重计算单元，用于根据不同等级取得同程度分时分别需要的对应mAP分数，计算各等级对应的权重；
归一化单元，用于对各等级对应的权重进行归一化处理，获得各等级对应的归一化权重；
总评单元，用于利用各等级对应的归一化权重对不同等级对应的mAP评分进行加权处理获得总评分。
进一步，距离指标生成模块采用的图像质量评价指标为SSIM、MS-SSIM、IW-SSIM、FSIM、MDSI中一种或多种结合。
本发明有益效果在于：
1、通过对测试集的处理、距离指标获取、数据集等级划分、归一化处理等，实现对待测算法在图像质量上的总体评分，且此评分能够更加客观、全面的反应算法在面临噪声情况时的表现，便于对待测算法进行更全面的比较；
2、通过本发明进行评价，可以发现部分算法其实对无噪声图像上表现很好，但对加噪图像目标检测敏感，还需要应加强对加噪图像的训练，从而可以更好更全面的对目标检测算法进行评估，更加准确的区分优劣，便于筛选出更加优势的算法，也便于对具有不足的算法提供参考。
附图说明
图1为本申请实施例的目标检测算法性能归一化评价方法总体流程。
图2为本申请实施例的测试集去噪处理步骤流程。
图3为本申请实施例的归一化及加权处理步骤流程。
图4为本申请实施例的目标检测算法性能归一化评价系统结构框图。
图5为本申请实施例的测试集处理模块结构框图。
图6为本申请实施例的归一化模块结构框图。
具体实施方式
下面结合附图，详细说明本申请的方法及系统的实施手段/方式，并附实例。
本申请提供针对图像质量的待测目标检测算法性能评价方法和系统，对测试集进行不同程度的加噪和/或平滑处理，然后，采用质量算法，对加噪测试集进行AQI的打分，并划分为多个等级。再分别对多个等级的图像进行目标检测，并再采用传统mAP的评分方法对其进行打分，得到多组不同质量等级图像的打分，最后对此多组评分进行归一化处理，得到最终的评价分数。
具体的，作为本申请的实施例，评价方法的实施流程如图1所示：
（1）接收输入的待测算法。
（2）对测试集进行不同强度的加噪和/或平滑处理，如图2所示：
首先，对测试集加入不同强度的高斯噪声，椒盐噪声，泊松噪声，和斑点噪声中一种或多种；和/或，对测试集进行不同强度的平滑操作，如高斯模糊，平均模糊，运动模糊中一种或多种。
具体的，根据测算需求和待测算法来选择。具体如图2所示，单独加噪处理时，按照a-b1-d的流程完成；单独平滑处理时，按照b2-c-d的流程完成；同时具有加噪和平滑的，可以按照a-b-c-d的流程完成，同时处理时，可以先平滑再加噪。
通过处理，在原有测试集数量的基础上增加至少5倍的数量。
（3）根据图像质量评价指标获得测试集每张图像的距离指标：用各种通用图像质量指标来评价，例如常用的SSIM、MS-SSIM、IW-SSIM、FSIM、MDSI中一种或多种结合作为评价指标，得到每张图像的距离指标。
（4）根据距离指标将测试集划分多个质量等级的数据集。
（5）利用数据集分别对待测算法进行测试，得到不同等级的预测标签。
（6）根据数据集对应的预测标签和真实标签，分别进行mAP评分计算。
（7）通过归一化处理，将不同等级对应的mAP评分进行加权处理获得总评分，如图3所示：
首先，对不同等级mAP评分设定不同等级的同程度分。
然后，根据不同等级取得同程度分时分别需要的对应mAP分数，计算各等级对应的权重。
其次，对各等级对应的权重进行归一化处理，获得各等级对应的归一化权重。
最后，利用各等级对应的归一化权重对不同等级对应的mAP评分进行加权处理获得总评分。
该步骤中，对不同等级mAP评分设定不同等级的同程度分，具体是：同程度分从质量等级最高的数据集到质量等级最低的数据集，逐级均等降低。
总评分计算公式为：，其中，n为＞2整数，对应不同等级，mAP与w一一对应，mAP为mAP评分，w为归一化权重。
（8）输出综合评估结果。
作为本申请的实施例，具体的，评价系统的结构图如图4所示：
本实例的系统，包括：测试集处理模块、距离指标生成模块、分级模块、预测标签生成模块、mAP 评分模块、归一化模块。
具体的，其中：测试集处理模块，用于对测试集进行不同强度的加噪处理。
如图5所示，测试集处理模块，包括：
加噪单元，用于对测试集进行不同强度的加噪处理，其中，加入的噪声包括高斯噪声、椒盐噪声、泊松噪声、斑点噪声中至少一种；和/或，
平滑单元，用于对测试集进行不同强度的平滑处理，其中，平滑处理包括高斯模糊、平均模糊、运动模糊中至少一种；
通过加噪单元和/或平滑单元的处理，使处理后的测试集图片数在原测试集基础上增加至少5倍的数量。
具体的，距离指标生成模块，用于根据图像质量评价指标获得测试集每张图像的距离指标。采用的图像质量评价指标为SSIM、MS-SSIM、IW-SSIM、FSIM、MDSI中一种或多种结合。
分级模块，用于根据距离指标将测试集划分多个质量等级的数据集。
预测标签生成模块，用于利用数据集分别对待测算法进行测试，得到不同等级的预测标签。mAP 评分模块，用于根据数据集对应的预测标签和真实标签，分别进行mAP评分计算。
归一化模块，用于通过归一化处理，将不同等级对应的mAP评分进行加权处理获得总评分。
如图6所示，归一化模块，包括：同程度分设定单元、权重计算单元、归一化单元、总评单元。其中，同程度分设定单元，用于对不同等级mAP评分设定不同等级的同程度分；权重计算单元，用于根据不同等级取得同程度分时分别需要的对应mAP分数，计算各等级对应的权重；归一化单元，用于对各等级对应的权重进行归一化处理，获得各等级对应的归一化权重；总评单元，用于利用各等级对应的归一化权重对不同等级对应的mAP评分进行加权处理获得总评分。
举例说明
传统的评价方法，是直接对一批测试集直接进行目标检测，得到预测标签，并采用mAP的方法得到预测标签与真实标签之间的评分。
本实施例的方法/系统，实施时，
测试集加噪：对一批测试集加入不同强度的高斯噪声，再进行不同强度的平滑操作，如高斯模糊。本实例在原有测试集数量的基础上增加10倍的数量。
2）计算生成测试集与原始测试集的距离
采用MS-SSIM的方法，得到每张图像的距离指标，再依据距离对加噪图像进行等级划分，划分为5个等级；则得到5个不同等级的测试集。
3）对测试集进行检测
对5个不同等级的测试集进行目标检测，得到5个不同等级的预测标签集。
4）评分
使用传统评分方法对不同等级的测试集进行评分，这里我们采用mAP的评分方法，对5个测试集的预测标签与真实标签进行mAP打分，得到5个评分。
5）归一化评分
同程度分是算法对于不同程度噪声等级图像而打出的不同mAP分，但是算法好坏程度相同，对于噪声大质量较差的测试集打出低的mAP分与噪声小质量较好的测试集打出高的mAP分，在某种程度上说算法好坏程度于相同。这里设置各等级的mAP同程度分情况，等级1（噪声最大）mAP同程度分为0.2分，即可认为其算法效果就很好，相当于质量等级2的mAP同程度分0.4分，相当于质量等级3mAP同程度分0.6分，相当于质量等级4的mAP同程度分0.8分，相当于质量等级5（噪声最小）mAP同程度分1分。同程度分可以根据不同情况自由设置。
因此，当1~5级mAP评分（同程度分）分别为0.2、0.4、0.6、0.8、 1时，评价算法效果相当；权重，因此，对同程度分（0.2、0.4、0.6、0.8、 1）取倒数，推算出权重为（5，2.5，1.66666667，1.25，1）；
当1~5级mAP评分分别为1、1、1、1、1时，得到质量总评分应为1，而不是5.因此，需要归一化权重。由此，权重w = （5，2.5，1.66666667，1.25，1）/11.41666667=（0.4379562,0.2189781, 0.1459854, 0.10948905, 0.08759124）；
最后，对各等级的mAP*w取加和，，其中，n为5，依次对应5个等级。
试验1：当mAP为（0.2, 0.4, 0.6, 0.8, 1）时，各自评分应为0.08759124（程度分相同），加和为0.4379562。
结果：代入权重归一化公式得到总评分为0.4379562，正确。0.4379562为一般效果分，若想要更高分，则得加强对强噪声图像的训练。
试验2:当mAP为（0.7, 0.7, 0.7, 0.7, 0.7）时，总评分应为0.7。
结果：代入权重归一化公式得到总评分为0.7，说明归一化权重设置正确。
对比总结
采用yolov3_tiny版对kitti数据集进行训练，并对测试集进行目标检测对比如下
以上仅为本申请列举的实施例，本申请的技术手段并非限定于以上实例。
本发明通过对测试集的处理、距离指标获取、数据集等级划分、归一化处理等，实现对待测算法在图像质量上的总体评分，且此评分能够更加客观、全面的反应算法在面临噪声情况时的表现，便于对待测算法进行更全面的比较。

Claims (6)

1.基于图像质量的目标检测算法性能归一化评价方法，其特征在于，包括步骤：
对测试集进行不同强度的加噪和/或平滑处理；
根据图像质量评价指标获得测试集每张图像的距离指标；
根据距离指标将测试集划分多个质量等级的数据集；
利用数据集分别对待测算法进行测试，得到不同等级的预测标签；
根据数据集对应的预测标签和真实标签，分别进行mAP评分计算；
通过归一化处理，将不同等级对应的mAP评分进行加权处理获得总评分，包括：
对不同等级mAP评分设定不同等级的同程度分，同程度分从质量等级最高的数据集到质量等级最低的数据集，逐级均等降低；
根据不同等级取得同程度分时分别需要的对应mAP分数，计算各等级对应的权重；
对各等级对应的权重进行归一化处理，获得各等级对应的归一化权重；
利用各等级对应的归一化权重对不同等级对应的mAP评分进行加权处理获得总评分。
2.根据权利要求1所述的基于图像质量的目标检测算法性能归一化评价方法，其特征在于，所述对测试集进行不同强度的加噪和/或平滑处理，包括步骤：
对测试集进行不同强度的加噪处理，其中，加入的噪声包括高斯噪声、椒盐噪声、泊松噪声、斑点噪声中至少一种；和/或，
对测试集进行不同强度的平滑处理，其中，平滑处理包括高斯模糊、平均模糊、运动模糊中至少一种；
通过不同强度的加噪和/或平滑处理，使处理后的测试集图片数在原测试集基础上增加至少5倍的数量。
3.根据权利要求1所述的基于图像质量的目标检测算法性能归一化评价方法，其特征在于，所述图像质量评价指标为SSIM、MS-SSIM、IW-SSIM、FSIM、MDSI中一种或多种结合。
4.一种基于图像质量的目标检测算法性能归一化评价系统，其特征在于，包括：
测试集处理模块，用于对测试集进行不同强度的加噪和/或平滑处理；
距离指标生成模块，用于根据图像质量评价指标获得测试集每张图像的距离指标；
分级模块，用于根据距离指标将测试集划分多个质量等级的数据集；
预测标签生成模块，用于利用数据集分别对待测算法进行测试，得到不同等级的预测标签；
mAP 评分模块，用于根据数据集对应的预测标签和真实标签，分别进行mAP评分计算；
归一化模块，用于通过归一化处理，将不同等级对应的mAP评分进行加权处理获得总评分；
归一化模块，包括：
同程度分设定单元，用于对不同等级mAP评分设定不同等级的同程度分，同程度分从质量等级最高的数据集到质量等级最低的数据集，逐级均等降低；
权重计算单元，用于根据不同等级取得同程度分时分别需要的对应mAP分数，计算各等级对应的权重；
归一化单元，用于对各等级对应的权重进行归一化处理，获得各等级对应的归一化权重；
总评单元，用于利用各等级对应的归一化权重对不同等级对应的mAP评分进行加权处理获得总评分。
5.根据权利要求4所述的基于图像质量的目标检测算法性能归一化评价系统，其特征在于，测试集处理模块，包括：
加噪单元，用于对测试集进行不同强度的加噪处理，其中，加入的噪声包括高斯噪声、椒盐噪声、泊松噪声、斑点噪声中至少一种；
和/或，
平滑单元，用于对测试集进行不同强度的平滑处理，其中，平滑处理包括高斯模糊、平均模糊、运动模糊中至少一种；
通过加噪单元的和/或平滑单元的处理，使处理后的测试集图片数在原测试集基础上增加至少5倍的数量。
6.根据权利要求4所述的基于图像质量的目标检测算法性能归一化评价系统，其特征在于，距离指标生成模块采用的图像质量评价指标为SSIM、MS-SSIM、IW-SSIM、FSIM、MDSI中一种或多种结合。
CN201911081200.3A 2019-11-07 2019-11-07 基于图像质量的目标检测算法性能归一化评价方法及系统 Active CN110956613B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911081200.3A CN110956613B (zh) 2019-11-07 2019-11-07 基于图像质量的目标检测算法性能归一化评价方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911081200.3A CN110956613B (zh) 2019-11-07 2019-11-07 基于图像质量的目标检测算法性能归一化评价方法及系统

Publications (2)

Publication Number Publication Date
CN110956613A CN110956613A (zh) 2020-04-03
CN110956613B true CN110956613B (zh) 2023-04-07

Family

ID=69976695

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911081200.3A Active CN110956613B (zh) 2019-11-07 2019-11-07 基于图像质量的目标检测算法性能归一化评价方法及系统

Country Status (1)

Country Link
CN (1) CN110956613B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112580887B (zh) * 2020-12-25 2023-12-01 百果园技术(新加坡)有限公司 多目标融合评价的权重确定方法、装置、设备及存储介质
CN113159220B (zh) * 2021-05-14 2022-02-15 中国人民解放军军事科学院国防工程研究院工程防护研究所 基于随机森林的混凝土侵彻深度经验算法评价方法和装置
CN113448955B (zh) * 2021-08-30 2021-12-07 上海观安信息技术股份有限公司 数据集质量评估方法、装置、计算机设备及存储介质
CN115631388B (zh) * 2022-12-21 2023-03-17 第六镜科技(成都)有限公司 图像分类方法、装置、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007129476A (ja) * 2005-11-02 2007-05-24 Nec Electronics Corp 画像ぶれ補正装置、画像ぶれ補正方法及び画像ぶれ補正プログラム
CN105184823A (zh) * 2015-09-29 2015-12-23 南京理工大学 基于视觉感知的运动目标检测算法性能的评价方法
CN109711262A (zh) * 2018-11-28 2019-05-03 大连理工大学 一种基于深度卷积神经网络的智能挖掘机行人检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007129476A (ja) * 2005-11-02 2007-05-24 Nec Electronics Corp 画像ぶれ補正装置、画像ぶれ補正方法及び画像ぶれ補正プログラム
CN105184823A (zh) * 2015-09-29 2015-12-23 南京理工大学 基于视觉感知的运动目标检测算法性能的评价方法
CN109711262A (zh) * 2018-11-28 2019-05-03 大连理工大学 一种基于深度卷积神经网络的智能挖掘机行人检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Image Quality Measures for Predicting Automatic Target Recognition Performance;Yin Chen et al.;《2008 IEEE Aerospace Conference》;20080520;1-9 *
一种评价自动目标检测算法性能的方法;张桂林;《华中理工大学学报》;19941231;46-50 *

Also Published As

Publication number Publication date
CN110956613A (zh) 2020-04-03

Similar Documents

Publication Publication Date Title
CN110956613B (zh) 基于图像质量的目标检测算法性能归一化评价方法及系统
CN112115895B (zh) 指针型仪表读数识别方法、装置、计算机设备及存储介质
CN110210560B (zh) 分类网络的增量训练方法、分类方法及装置、设备及介质
CN112734691B (zh) 一种工业制品缺陷检测方法、装置、终端设备及存储介质
CN113610151B (zh) 基于原型网络和自编码器的小样本图像分类系统
TW201407154A (zh) 自動及手動缺陷分類之整合
US11568179B2 (en) Selecting an algorithm for analyzing a data set based on the distribution of the data set
CN116258707A (zh) 一种基于改进的YOLOv5算法的PCB表面缺陷检测方法
CN113269706B (zh) 激光雷达图像质量评价方法、装置、设备及存储介质
CN112149524A (zh) 一种雷达信号分选识别方法、装置、探测器及存储介质
CN115841488B (zh) 一种基于计算机视觉的pcb板的检孔方法
CN112990082A (zh) 一种水声脉冲信号的检测识别方法
CN108470194B (zh) 一种特征筛选方法及装置
KR101782364B1 (ko) 케이평균군집화를 통한 학습기반의 비전검사 방법
CN117274133A (zh) 瑕疵侦测方法、电子设备及存储介质
CN110766657A (zh) 一种激光干扰图像质量评价方法
CN116894985A (zh) 半监督图像分类方法及半监督图像分类系统
CN110033043B (zh) 基于条件生成式对抗网络的雷达一维距离像拒判方法
CN111144462A (zh) 一种雷达信号的未知个体识别方法及装置
CN111027589B (zh) 一种多分制目标检测算法评价系统及方法
CN113947280A (zh) 一种基于反馈调整权值的组合评价方法
Duan et al. An anchor box setting technique based on differences between categories for object detection
CN110969599B (zh) 基于图像属性的目标检测算法性能总体测评方法及系统
US20230204549A1 (en) Apparatus and automated method for evaluating sensor measured values, and use of the apparatus
CN115294196A (zh) 一种深度学习网络模型的构建方法及应用

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant